Investigating low-pressure AI-enabled PAP therapy without compromising AHI: a win for all OSA patients
Notice bibliographique
Résumé
Introduction: Despite the advantage of increased comfort, low-pressure Positive Airway Pressure (PAP) therapy raises the Apnea-Hypopnea Index (AHI). We hypothesize our AI-driven cMAP™ algorithm (Hanafi. et al. ERJ 2023 62: PA573), enables PAP therapy at significantly reduced pressures while preserving efficacy. Methods: An ongoing randomized crossover study on PAP-adherent OSA patients (n=50) aims to evaluate cMAP™'s effectiveness in treating OSA with lower mean therapy pressures than conventional auto PAP (APAP). Patients undergo one week of cMAP™ (test) and one week of APAP therapy (control). Pressure and AHI are monitored via the PAP device, and the SleepImage™ Ring tracks sleep staging and SleepImage AHI (sAHI). Results: Preliminary results across subjects (2 female, 4 male, significance determined via paired t-tests) show cMAP™ delivers lower mean nightly therapy pressure than APAP (p<0.01), averaging -1.8±0.6 cmH20 (±S.D.). No differences are observed in AHI (p=0.75) or sAHI (p=0.69). 2/6 subjects spent more time in stable non-REM sleep with cMAP™ (+14% of night, p<0.05) with no differences in the remaining 4 patients. Conclusion: cMAP™ has the potential to improve pressure related comfort and quality of care. Future work includes developing a technique to tailor cMAP™’s AI component to individual subjects. erj;64/suppl_68/PA4470/F1 F1 F1
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».